PDF テーブルを翻訳するとは、通常、すべてのテキストを 1 つの言語から別の言語に変換することを意味します。しかし、シナリオによっては、より外科的なアプローチが必要になります。つまり、本文を元の言語のままにして数値のみをある形式から別の形式に変換したり、日付形式を DD/MM/YYYY から MM/DD/YYYY に変換したり、小数点区切り文字をヨーロッパのカンマから英語のピリオドに変更したりする必要があります。これは従来の意味での言語翻訳ではありません。これは数値形式のローカリゼーションであり、全文翻訳とは異なるツールが必要です。
数値ローカリゼーションは、言語というよりも形式規則に関係します。
数値と日付に対する Translate PDF のアプローチは、テキスト置換レベルではなくデータ抽出レベルで機能します。数値を抽出し、プログラムで変換し、変換された値を元の PDF にオーバーレイするか、新しいバージョンの表を作成します。 WukongPDF の PDF Converter が抽出ステップを確実に処理し、スプレッドシート ベースの形式変換が残りの部分を処理します。周囲のテキストから数値セルのみを分離することは、残りのプロセスが機能するかどうかを決定する重要な最初のステップです。
地域間の共通の数値および日付形式の違い
小数点と千の位の区切り文字は、混乱の最大の原因です。 10025 セントという数字は、米国と英国では 1,000.25 と表記されますが、ヨーロッパ大陸と南米のほとんどの地域では 1.000,25 と表記されます。米国の聴衆向けに作成されたドイツ語の表では、周囲のテキストの 1 語も触れずに、小数点以下のすべてのコンマをピリオドに交換し、数千個のピリオドごとにコンマに交換する必要があります。一括検索と置換では数値とテキストの両方が破損し、元の書式の不一致よりもさらにひどい混乱が生じます。
日付文字列により、さらに曖昧さが増します。文字列 03/04/2025 は、米国では 3 月 4 日を意味しますが、英国およびヨーロッパのほとんどの地域では 4 月 3 日を意味します。ソース形式を知らずに変換すると、すべての日付が数週間または数か月単位でずれてしまう危険があります。通貨記号にも位置規則があります。アイルランドではユーロ記号が金額の前にありますが、フランスでは後に続きます。また、記号と数字の間にスペースを挿入する地域もあれば、挿入しない地域もあります。負の数値は、一部のロケールでは先頭にマイナスが付き、他のロケールでは括弧が付き、一部のロケールでは末尾にマイナスが付きます。各規約は地域の慣習に深く組み込まれており、対象読者が文書を信頼できるように正しくマッピングする必要があります。
PDF テーブルから数値セルのみを抽出
テーブルをセルアドレス指定可能な形式にするのがステップ 1 です。 Excel または CSV にエクスポートすると、グリッド構造が保持され、Excel の組み込み形式検出により数値セルが自動的に識別されます。 Text to Columns ウィザードと数値形式認識は、手動介入なしで単純なケースを処理します。テーブルがきれいにエクスポートされる場合、変換全体にかかる時間は 1 分未満です。
きれいにエクスポートされないテーブル、結合されたセル、複雑な境界線、単一セル内のテキストと数値のコンテンツが混在している場合は、プログラムによるアプローチが必要です。 Camelot-py や tabula-py などの Python ライブラリは、組み込みの数値列検出を備えた DataFrame としてテーブルを抽出します。プログラムによるパスは、数値部分のみを再フォーマットする必要がある、値と単位の略語の両方を含むセルなどの特殊なケースも処理します。識別された数値列にのみ形式変換を適用する Python を数行記述することは、ブランケット エクスポートによって破損した数十のセルを手動で修正するよりも簡単です。
プログラムによる数値形式の変換
分離された数値セルは、予測可能な変換ルールに従います。小数点のコンマはピリオドになります。数千のピリオドがカンマになるか、完全に削除されます。難しい部分は、ソース内で各セパレータがどの役割を果たすかを決定することです。 1,234 の単一のコンマは、千の位 (1234 を生成) または 10 進数 (1.234 を生成) のいずれかになります。列のコンテキストによって曖昧さが解決されます。列内の他のすべての数値が同じパターンに従い、大きさが 1 つの解釈のみで意味をなす場合、その解釈は列全体に適用されます。列内の一貫性は、単一セルの形式よりも強力なシグナルです。
日付変換には、ソース形式とターゲット形式の両方がわかっている必要があります。 DD/MM 方向の最初の 2 つのコンポーネントを MM/DD 方向に交換します。ソース形式が不明な場合は、日または月の位置で 12 を超える値を探します。 15/03/2025 のような日付は、月の上限が 12 であるため、DD/MM/YYYY のみとなります。これらの明確な日付にアンカーして形式を推測し、それを曖昧な日付に適用し、ターゲット形式で日が 12 を超える変換された日付にフラグを立てて、手動で確認します。フラグは、自動変換ロジックが見逃すエッジ ケースを捕捉します。
| 要素 | ソース形式 (EU) | ターゲット形式 (US) | 変換ルール |
|---|---|---|---|
| 10進数 | 1.234,56 | 1,234.56 | スワップ。そして、役割 |
| 日付 | 2025/12/31 | 2025 年 12 月 31 日 | 最初の 2 つのコンポーネントを交換する |
| 通貨 | 123,45 € | $148.14 | 為替レートに応じた変換と再フォーマット |
| パーセンテージ | 12.5% | 12.5% | 小数点のコンマをポイントに置き換えます |
変換された数値を PDF に再統合
完成した PDF に戻るには 2 つのパスがあります。変換されたスプレッドシートから元の形式と一致する書式を使用して新しい PDF を作成することは、単純な表の場合に適しています。最新のスプレッドシートから PDF へのエクスポート ツールはほとんどの書式設定を保持し、元のレイアウトを反映するように設定されたテンプレートを使用すると、変換された値を除いて出力はほとんど区別できません。複雑な書式設定を含むテーブルには、代わりにオーバーレイ アプローチが必要です。
オーバーレイは、再エクスポートによって忠実度が失われる複雑なレイアウトでも機能します。数値セルのみを透明テキストレイヤーに変換し、元のPDFの元の数値の正確な位置に重ね合わせ、最初に白い墨消しボックスで元を覆います。これにより、修正された数値形式が表示されながら、完全な視覚的レイアウトが維持されます。大きなテーブルの場合、正確な位置決めは面倒なため、このテクニックは、ドキュメントをピクセル単位で提出ガイドラインと比較する規制当局向けの認定声明など、レイアウトの忠実性が最重要である短いドキュメントの場合に取っておいてください。
変換された出力の品質チェック
数値エラーは目に見えないところに隠れます。残高 123.456.78 を誤って 123,456.78 に変換すると、値が 2 桁変化しますが、一見すると妥当な数値のように見えます。合計をクロスチェックし、行の合計を比較し、変換された日付が予想範囲内に収まるかどうかを検証することにより、サンプルと元のサンプルを検証します。簡単な健全性チェック: 関連する係数を適用した後、変換された合計は元の値とほぼ一致しますか?不一致は、丸めの違いではなく、変換ロジックのエラーを示します。
重要な文書には第二の目が必要です。別の人にランダムなサンプルを独自に変換して結果を比較してもらいます。財務申告や法的契約における数値エラーのコストは、検証ステップのコストに比べれば微々たるものです。定期的な変換の場合は、既知の正しい出力を含む既知の値のテスト スイートを保持し、新しい変換ごとにそれを実行します。テスト スイートは回帰を即座に検出し、変換ロジックが文書化されたすべてのエッジ ケースを処理しているという信頼を築きます。